Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Godinhofilho2013 en Es
Godinhofilho2013 en Es
com
Para citar este artículo: Moacir Godinho Filho & Reha Uzsoy (2014) Evaluación del impacto de programas alternativos de mejora continua
en un taller de flujo utilizando dinámica de sistemas, International Journal of Production Research, 52:10, 3014-3031, DOI:
10.1080 / 00207543.2013.860249
Taylor & Francis hace todo lo posible para garantizar la precisión de toda la información (el "Contenido") contenida en las
publicaciones de nuestra plataforma. Sin embargo, Taylor & Francis, nuestros agentes y nuestros otorgantes de licencias no
hacen declaraciones ni ofrecen garantía alguna en cuanto a la precisión, integridad o idoneidad para cualquier propósito del
Contenido. Todas las opiniones y puntos de vista expresados en esta publicación son opiniones y puntos de vista de los
autores, y no son puntos de vista ni están respaldados por Taylor & Francis. No se debe confiar en la precisión del Contenido y
se debe verificar de forma independiente con fuentes primarias de información. Taylor y Francis no serán responsables por
pérdidas, acciones, reclamos, procedimientos, demandas, costos, gastos, daños y otras responsabilidades, cualquiera que sea
la causa, que surja directa o indirectamente en relación con,
Este artículo puede utilizarse con fines de investigación, docencia y estudios privados. Se prohíbe expresamente cualquier
reproducción, redistribución, reventa, préstamo, sublicencia, suministro sistemático o distribución sustancial o sistemática en
cualquier forma a cualquier persona. Los términos y condiciones de acceso y uso se pueden encontrar enhttp: //
www.tandfonline.com/page/terms-and-conditions
Revista Internacional de Investigación de Producción, 2014
Vol. 52, núm. 10, 3014–3031, http://dx.doi.org/10.1080/00207543.2013.860249
Evaluar el impacto de los programas alternativos de mejora continua en un taller de flujo utilizando
sistemas dinámicos
Moacir Godinho Filhoa y Reha UzsoyB*
aDepartamento de Engenharia de Produção, Universidade Federal de São Carlos, São Carlos, Brasil; BDepartamento de Edward P. Fitts
de Ingeniería Industrial y de Sistemas, Universidad Estatal de Carolina del Norte, Raleigh, NC, EE. UU.
Usamos un modelo de simulación de dinámica de sistemas basado en la perspectiva de la Física de Fábrica para estudiar el efecto acumulativo de
la mejora continua en la variabilidad de llegada, variabilidad del proceso, tasa de defectos, tiempo de falla, tiempo de reparación y tiempo de
configuración en las curvas de operación en un taller de flujo. medio ambiente. Descubrimos que pequeñas mejoras simultáneas en múltiples
Descargado por [University of Nebraska, Lincoln] a las 21:26 del 4 de abril de 2015
ubicaciones de la línea pueden proporcionar reducciones en el tiempo de ciclo comparables o, a veces, superiores a las obtenidas con una
mejora importante en una sola ubicación. La reducción de la variabilidad del proceso es a menudo una excelente alternativa para reducir la
media de un parámetro, porque la variabilidad del proceso en una estación determinada afecta no solo a esa estación, sino a todas las estaciones
aguas abajo debido a su impacto en la variabilidad del flujo. Las mejoras en las estaciones sin cuello de botella también tienen beneficios
importantes, nuevamente al reducir la variabilidad del flujo a la estación de cuello de botella. Estos resultados sugieren una interpretación más
amplia de algunos aspectos de la teoría de las restricciones y ayudan a explicar los resultados exitosos del sistema de producción de Toyota.
1. Introducción
Paradigmas de fabricación como la manufactura esbeltaWomack, Jones y Ross 1990; Liker2004), fabricación de respuesta rápidaSuri 1998) y
fabricación ágilGunasekaran 1999), con algunas diferencias de énfasis, tratan de reducir la media y la variabilidad de los parámetros críticos
del sistema, como los tiempos de procesamiento, configuración y reparación y las tasas de defectos. Por ejemplo, la manufactura esbelta
argumenta a favor demantenimiento productivo totalTPM) (Nakajima 1988), destinado a mejorar el tiempo de actividad de la máquina, y
intercambio de dados en un minutoShingo) para reducir los tiempos de preparación. Sin embargo, la gerencia debe decidir a menudo
cómo implementar recursos de mejora limitados, como personal calificado, o si realizar grandes inversiones para mejorar un punto crítico
en el proceso.
La importancia de reducir tanto la media como la variabilidad del tiempo de ciclo (CT), el tiempo requerido para que un trabajo
liberado en el sistema de producción se convierta en una producción que pueda satisfacer la demanda, es ampliamente
reconocida en la literatura (Stalk y Hout 1990; Hopp y Spearman2008). Comparamos dos programas de mejora continua sobre su
capacidad para mejorar el CT de un taller de flujo. La primera es una gran mejora en una máquina o estación en particular que la
gerencia considera crítica. Este enfoque es típico de la teoría de las restricciones (Goldratt y Fox1986; Goldratt y Cox1992), que
aboga por centrar los esfuerzos de mejora en los cuellos de botella del sistema con exclusión de otras áreas. Este enfoque puede
tener un impacto importante en la estación seleccionada, pero a menudo requiere una inversión significativa, como la adquisición
o actualización de máquinas, y puede pasar un tiempo considerable antes de que se realice la mejora. El otro enfoque,
ejemplificado por el sistema de producción de Toyota (Liker2004), apunta a pequeñas mejoras simultáneas en muchas áreas
diferentes durante un período prolongado. Este enfoque requiere un esfuerzo significativo en la capacitación y la facilitación de la
operación de los equipos de empleados para lograr mejoras, pero tiende a requerir una menor inversión de capital. Estudiamos el
efecto de estas dos políticas de mejora en la compensación entre la utilización y el CT. También examinamos el efecto de la
ubicación del cuello de botella en el desempeño de estas dos políticas de mejora.
Este documento contribuye a esta área combinando dos técnicas bien conocidas, dinámica de sistemas y modelos de colas, para
construir modelos simples de procesos de múltiples etapas con requisitos de datos modestos que pueden dar a los gerentes la intuición
sobre los resultados potenciales de los proyectos de mejora. Amplía nuestro trabajo anterior sobre sistemas de producción de una sola
etapa (Godinho Filho y Uzsoy2011, 2013) al considerar sistemas de producción de búfer infinito de múltiples etapas, lo que requiere
modelar explícitamente la media y la varianza del flujo entre los centros de trabajo. Si bien el uso de modelos de simulación para
apoyar las actividades de CI no es nuevo (Adams et al. 1999), creemos que este enfoque es el primero en vincular un modelo cuantitativo del
comportamiento de los sistemas de fabricación con un modelo de dinámica de sistemas para examinar las interacciones entre diferentes actividades
de CI a lo largo del tiempo. Una limitación del enfoque en su forma actual es su restricción a los sistemas de producción con capacidad de
amortiguación infinita; la extensión de este enfoque a las líneas de búfer finito cuyo comportamiento se ve afectado por el comportamiento de
bloqueo está fuera del alcance de este artículo.
Una segunda contribución del artículo radica en los conocimientos que proporciona sobre la relación entre dos filosofías de
mejora continua diferentes, el sistema de producción de Toyota y la teoría de las restricciones. Descubrimos que las reducciones
pequeñas y simultáneas en varias estaciones, tal como lo propugna el sistema de producción de Toyota, pueden producir mejoras
comparables o, a veces, superiores a las obtenidas mediante una mejora importante en una sola ubicación. La reducción de la
variabilidad del proceso es a menudo una excelente alternativa para reducir la media de un parámetro, porque la variabilidad del
proceso en una estación determinada afecta al TC no solo en esa estación, sino también en todas las estaciones aguas abajo. La
mejora en las estaciones sin cuello de botella también produce beneficios significativos al reducir la variabilidad del flujo hacia el
cuello de botella, aumentando así su efectividad.... una mejora sin un cuello de botella es un espejismo ”. Las mejoras en las
estaciones sin cuello de botella pueden conducir a mejoras sustanciales en el rendimiento del sistema al reducir la variabilidad en
el flujo hacia el cuello de botella. Por lo tanto, los programas de mejora que reducen la variabilidad en las estaciones que
alimentan el cuello de botella pueden considerarse legítimamente como una mejora del rendimiento del cuello de botella. De igual
Descargado por [University of Nebraska, Lincoln] a las 21:26 del 4 de abril de 2015
importancia, nuestros modelos permiten una explicación clara y concisa de estos resultados utilizando la perspectiva de cola de
Factory Physics.
En la siguiente sección, revisamos brevemente el trabajo relacionado anterior. La Sección 3 presenta nuestro modelo de máquina única
y luego describe la integración de estos submodelos para representar un entorno de taller de flujo. La sección 4 presenta los resultados de
los experimentos y la sección 5 resume las conclusiones y discute algunas direcciones futuras.
Storck (2010) propone un marco que tiene como objetivo desarrollar conocimientos sobre las capacidades de fabricación que se
requieren para alcanzar objetivos estratégicos específicos y lo aplica a un caso de la industria del acero. Encuentra que la empresa, con el
fin de reducir los costos y aumentar la diversificación, debería invertir en la reducción de la configuración y la programación dinámica.
Aunque este marco proporciona trayectorias de mejora, no proporciona relaciones cuantitativas entre variables, que utiliza nuestro
modelo.
Mauri, Garretti y Gandelli (2010) proponer una metodología estructurada para la mejora de procesos en los sistemas de fabricación que puede
ayudar a identificar áreas a mejorar mediante la eliminación de restricciones. Las áreas seleccionadas pueden mejorarse mediante pequeñas mejoras
frecuentes o mediante acciones poco frecuentes como la inversión en nueva capacidad o cambios radicales en la tecnología. Nuestros resultados
sugieren que la primera opción es mejor para la reducción de la TC.
Otro cuerpo de literatura ha examinado los efectos del aprendizaje sobre el desempeño de los sistemas de manufactura. Ebert
(1976) consideraron incorporados los efectos del aprendizaje en un modelo de planificación agregada. Muchos investigadores (Liao1979; Reeves y
Sweigart1981; Hiller y Shapiro1986) suponen que para una capacidad máxima constante, el consumo de capacidad unitaria de un producto
disminuye exponencialmente con el tiempo a medida que se acumula la producción y se produce el aprendizaje. Chand y col.(1996) considere el
aprendizaje como un proceso de experimentación diseñada que utiliza la capacidad de producción para mejorar la capacidad del proceso. Formulan
el problema como un modelo de maximización de beneficios de tiempo continuo y proporcionan una ruta de tiempo óptima para las actividades de
producción y mejora de procesos. Multa(1986) propone una formulación alternativa donde el aprendizaje depende no solo de la producción
Descargado por [University of Nebraska, Lincoln] a las 21:26 del 4 de abril de 2015
acumulativa sino también del nivel de actividad de control de calidad. Más implicaciones de este modelo se desarrollan en Fine(1988). Terwiesch y
Bohn(2001) abordar la misma compensación para los incrementos de productos de alta tecnología. Asumen aumentos de rendimiento mediante la
mejora del proceso y la velocidad de producción establecida por los fabricantes. La mejora del proceso es una función de la capacidad asignada a la
experimentación y tiene rendimientos decrecientes con la cantidad de experimentación en un período de producción. Las decisiones óptimas se
obtienen mediante un modelo de programación dinámica.
Kim y Uzsoy (2008) considere un modelo simple de planificación de producción de un solo producto y una sola etapa. La capacidad del
sistema de producción se refleja en un CF no lineal que captura la relación no lineal entre la carga de trabajo y el CT, y puede mejorarse
mediante el esfuerzo de ingeniería. Sin embargo, el esfuerzo de ingeniería consume capacidad de producción y, por lo tanto, reduce la
producción a corto plazo. Llevan a cabo experimentos numéricos para mostrar los efectos de diferentes niveles de trabajo de ingeniería y
precio de venta en el despliegue óptimo del esfuerzo de ingeniería a lo largo del tiempo, y derivan expresiones analíticas que relacionan el
precio dual de la capacidad con la forma del CF, el precio de venta del producto. y la duración del ciclo de vida del producto. En un artículo
posterior (Kim y Uzsoy2013), extienden estas ideas a un flujo de producción reentrante en el que muchos visitan un centro de trabajo varias
veces en su ruta.
En la siguiente sección, describimos nuestro enfoque de modelado y su motivación. Luego discutimos las diferentes políticas
de CI examinadas, nuestro diseño experimental y las conclusiones de cada experimento.
modelo, para construir las curvas operativas que forman la base de nuestra discusión. Sin embargo, la capacidad de los modelos SD para
implementar una estrategia de mejora de forma dinámica a lo largo del tiempo, combinada con sus modestos requisitos de datos y suposiciones
mínimas, los convierte en una alternativa atractiva. Además, su formulación de relaciones explícitas basadas en los resultados de la cola nos permite
obtener información e intuición de los resultados que a menudo es más difícil de obtener de un modelo de simulación de eventos discretos más
complejo.
3. Modelización y análisis
El uso de los conceptos de Factory Physics en un modelo SD puede parecer, a primera vista, algo contradictorio. El enfoque de Factory
Physics como se presenta en los capítulos 8 y 9 de Hopp y Spearman(2008) se basa en un análisis de estado estable a largo plazo del
sistema de producción utilizando los métodos de análisis de colas. La SD, por otro lado, generalmente enfatiza el comportamiento
dinámico de sistemas complejos que no están en estado estacionario. Sin embargo, para nuestro objetivo en este documento, las
ecuaciones de Factory Physics proporcionan un modelo matemático que vincula la media y la varianza de los parámetros del sistema, como
los tiempos de preparación y reparación, con la medida de rendimiento, como el CT esperado y la utilización. Para utilizar estas ecuaciones
en un modelo SD, asumimos que los incrementos de tiempo que forman la base del modelo SD son bastante largos, del orden de varios
meses. Esta suposición es razonable en nuestro contexto, ya que generalmente lleva algún tiempo identificar oportunidades de mejora,
Descargado por [University of Nebraska, Lincoln] a las 21:26 del 4 de abril de 2015
implementar los cambios necesarios y obtener resultados. Por lo tanto, asumimos que dentro de cada período, las colas que representan el
sistema de fabricación están en estado estable, lo que nos permite utilizar las ecuaciones de Factory Physics para describir el
comportamiento del sistema. La suposición de períodos largos también nos permite descuidar el comportamiento transitorio en los límites
entre períodos.
Nuestro enfoque básico, entonces, es modelar el desempeño del sistema en un horizonte de tiempo extendido de varios años
utilizando incrementos de tiempo del orden de varios meses. Las políticas de mejora continua se modelan como una reducción en la media
o varianza de los parámetros estudiados (variabilidad de llegada; variabilidad del proceso; tasa de defectos; tiempo hasta la falla; tiempo de
reparación; y tiempo de preparación) en cada período. En cada período, los nuevos valores de los parámetros se calculan en base a las
mejoras implementadas en el período anterior, y las ecuaciones de Factory Physics se utilizan para calcular los efectos de estas mejoras en
el CT medio. Asumimos un modelo completamente determinista de los efectos de la mejora continua en la TC promedio, siguiendo la
sugerencia de Sterman de que un enfoque determinista es generalmente suficiente para capturar las principales relaciones de interés. Los
efectos de la aleatoriedad en la operación del sistema de producción son capturados por las variaciones utilizadas en las ecuaciones de
Física de Fábrica, y nuestra principal medida de desempeño es el CT esperado. La incertidumbre en el proceso de mejora continua se
examina en Godinho Filho y Uzsoy(2013) para un sistema de un solo servidor. También hemos utilizado este enfoque para estudiar el
impacto de la mejora continua en los tamaños de lote y CT en sistemas de producción de una sola etapa con tiempos de preparación
significativos (Godinho Filho y Uzsoy2008, 2011).
El trabajo de este artículo se centra en el análisis de sistemas de producción con búfer infinitos, donde la cantidad de trabajo
en proceso que se puede acumular entre estaciones no está limitada. En particular, no surge el fenómeno de bloqueo que surge
cuando el trabajo terminado en una estación no se puede mover a una estación aguas abajo, deteniendo el procesamiento hasta
que el trabajo se pueda mover. En los libros de Buzacott y Shanthikumar se ofrece un análisis exhaustivo de las líneas de
producción con amortiguadores finitos, donde el bloqueo es un determinante importante del rendimiento del sistema.(1993)
Gershwin (1994); y Li y Meerkov(2009). Sin embargo, en muchos entornos de producción, los tamaños de búfer no restringen el
funcionamiento del sistema, lo que permite que estos sistemas se traten como redes de colas de búfer infinito, y nos centraremos
en estos sistemas en este artículo. Biller y Meerkov dan algunos ejemplos recientes de sistemas analizados utilizando enfoques de
búfer infinito.(2013) y Da Silva y Morabito (2009). La extensión de nuestro enfoque a sistemas con búferes finitos queda para
futuras investigaciones.
Debido a que el sistema debe estar en estado estable, la tasa media de llegada al sistema debe ser igual a la tasa media de demanda, lo que implica t
a= LH / D, dónde H denota el número total de horas trabajadas en un año. El tiempo medio para procesarL entonces las partes vienen dadas por
Tenientemi y la utilización media de la máquina por
Tenientemi Dtmi :
tu ¼ ¼ (1)
ta H
Para el G / G /1 cola, no existe una expresión analítica exacta para el tiempo promedio en el sistema, pero la aproximación
DC
aþ
- tu -
2 C2miÞ
Connecticut ¼ mi þ Lt;mi
Teniente (2)
2 1 - tu
dónde LTmi es el tiempo medio para procesar un lote, recomendado por Hopp y Spearman. Dado CT, el nivel medio de trabajo en
curso (WIP) viene dado por la Ley de Little como
WIP ¼ k - CT - L: (3)
El tiempo efectivo para procesar mucho se construye a partir del tiempo de procesamiento natural agregando los efectos de interrupciones
preventivas, en nuestro caso fallas de máquinas; cortes no preventivos, en nuestro caso configuraciones; y finalmente, defectuoso
Descargado por [University of Nebraska, Lincoln] a las 21:26 del 4 de abril de 2015
elementos. Primero, la mediat F mi y varianza rF mi del tiempo de procesamiento efectivo considerando que solo se calculan las fallas de la máquina
lated. Siguiendo a Hopp y Spearman, asumimos que el tiempo entre fallas se distribuye exponencialmente con la media
metroF y que el tiempo de reparar ha significado metror y varianza σ2 r. La disponibilidad media del servidor viene dada por
A = mF/ (metroF + mr), cediendo t F mi = t0/A, y
r2 D r þ r2 r Þð1 - AÞt0 :
metro2
Drmi
F Þ2 ¼ 0 þ (4)
A2 Soyr
Luego se incorporan los efectos de las configuraciones, asumiendo, como en Hopp y Spearman, que una configuración es igualmente probable después de
que se procesa cualquier parte, con el número esperado de partes entre configuraciones igual al tamaño de lote promedio especificado. L. los
el tiempo medio de preparación se denota por ts y su varianza por σ 2 s. El tiempo de procesamiento efectivo mediot omi con ambos no pre
las interrupciones emptivas y preventivas se obtienen como t omi = F + ts/ L y su varianza por
t mi
r2 L - 1 t2
DrmioÞ2 ¼ ðrF miÞ2 þ sþ s: (5)
LL 2
Finalmente, incorporando el efecto de los artículos defectuosos, obtenemos el tiempo medio efectivo de procesamiento como tmi = to/ (1−pag), dónde
mipag denota la proporción media de artículos defectuosos. La variación del tiempo de procesamiento efectivo viene dada por
DroÞ pagDto
DrmioÞ2 ¼ þ : (6)
mi 2
mi Þ2
1 - pag D1 - pagÞ2
Número de piezas en
tasa de llegada cola rendimiento
Utilización
con mejora
Varianza general de
tiempo de procesamiento efectivo NATURAL
Varianza de procesamiento efectivo
TIEMPO DE PROCESAMIENTO
tiempo con no preventivo y
cortes preventivos
Tiempo del ciclo
Disponibilidad
mejora
La representación de múltiples estaciones de trabajo organizadas como un taller de flujo requiere que modelemos el flujo de
material entre estaciones. El material llega a la estación de trabajo 1 en lotes que constan deL partes en promedio. El tiempo de
llegada entre lotes ha sidota y coeficiente de variación Ca. La tasa media de llegada de los lotes λ es la inversa del tiempo medio
entre llegadas, lo que da λ =1 / ta = D / LH. Sin embargo, para los centros de trabajo 2 a 5, el proceso de llegada al centro de trabajo
viene dado por el proceso de salida de la estación inmediata aguas arriba. De nuevo, siguiendo a Hopp y Spearman(2008), el CVCD
DIÞ del tiempo entre salidas en la estación I es dado por
qffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffi
4. Diseño experimental
En este artículo, evaluamos los efectos de las mejoras en seis parámetros diferentes del taller: (i) variabilidad de llegada; (ii) la variabilidad del proceso, definida
como la variabilidad en el tiempo natural del proceso, el tiempo de reparación y el tiempo de preparación; (iii) tasa media de defectos;
(iv) tiempo medio para fallar; (v) tiempo medio de reparación; y vi) tiempo medio de preparación. La variabilidad de un parámetro está representada
por su CV. La literatura sugiere una serie de métodos que pueden ayudar a reducir la variabilidad de la llegada y el proceso, como se resume en la
Tabla1.
Se supone que el período de tiempo básico en el modelo SD es de tres meses o 12 semanas. Este es un incremento de tiempo
razonable para nuestros propósitos, ya que las mejoras pueden requerir varios meses para su identificación e implementación.
Simulamos el funcionamiento del sistema durante un período de 10 años o 40 trimestres. Como nuestro objetivo es estudiar los
efectos de la CI en los parámetros del sistema, la demanda anualD y el tamaño del lote L se mantienen constantes. El tamaño del
lote no se redujo a medida que disminuyó el tiempo de configuración, lo que resultó en estimaciones conservadoras de la mejora
que se podría obtener al reducir los tiempos de configuración. En Godinho Filho y Uzsoy (2011). La constante de tiempo τ del
proceso de mejora se elige para proporcionar una vida media para el decaimiento exponencial de un año. Los valores de los
parámetros utilizados para el sistema antes de que se produzcan mejoras se resumen en la Tabla2. También variamos la demanda
anual (10, 20, 30 y 50% por debajo y 10% y 20% por encima del caso base, lo que arroja valores de 5760, 8064, 9216, 10,368, 12,672
y 13,824 partes por año, respectivamente) para examinar la efecto del nivel de utilización en CT. Estos niveles de demanda y sus
correspondientes niveles de utilización sin ninguna mejora (Caso i) se muestran en la Tabla3. Se consideraron los siguientes
programas de mejora:
Tabla 1. Ejemplos de metodologías / herramientas utilizadas para la mejora del piso de producción.
Variable de planta Ejemplos de metodologías / herramientas utilizadas para mejorar dichas variables
(i) variabilidad de Disminución de la variabilidad del proceso en las estaciones aguas arriba; programación y control de la planta para suavizar el flujo de
llegada (CV) materiales; eliminar las liberaciones de lotes; e instalación de un sistema de control de producción pull (Hopp y Spearman 2008) Six sigma,
(ii) variabilidad del capacitación de operadores, estandarización de prácticas de trabajo y automatización
proceso (CV)
(iii) tasa media de defectos SPC, Six Sigma y TQM (Nakajima 1988) TPM
(iv) tiempo medio para (Nakajima 1988)
fallar
(v) tiempo medio de reparación TPM (Nakajima 1988)
(vi) tiempo medio de preparación SMED (Shingo 1986)
Revista internacional de investigación de producción 3021
5760 37,89
8064 53.05
9216 60,63
10,368 68,21
11,520 75,78
12,672 83,36
13,824 90,94
(3) 50% de mejora en la variabilidad de la llegada. Esto se incluye en los experimentos de una sola etapa porque proporciona una
idea de cómo el medio ambiente se verá afectado por las mejoras en la variabilidad del proceso, ya que por la ecuación
(8) variabilidad del proceso en la estación I afecta la variabilidad de llegada a la estación yo + 1.
(4) reducción del 50% en la tasa media de defectos;
(5) 50% de aumento en el tiempo medio entre fallas;
(6) 50% de mejora en el tiempo medio de reparación;
(7) 50% de mejora en el tiempo medio de preparación.
La simulación se realizó utilizando Vensim PLE Más (Ventana Systems Inc) software en una PC con Intel Centrino Duo (1,6
GHz) procesador con 1024 MB de RAM. Primero examinamos el desempeño de las diferentes estrategias de mejora para una sola
estación de trabajo para ilustrar los efectos de las mejoras en cada parámetro individualmente. Estos resultados muestran los
efectos de los programas de mejora en una sola estación, lo que nos permite desarrollar una intuición sobre cómo afectará cada
mejora individual al rendimiento. Luego examinamos sus efectos en el entorno de flow-shop.
5. Resultados experimentales
En este artículo, utilizamos curvas operativas, que muestran el CT esperado en función de la utilización promedio de recursos, para
presentar los resultados de nuestros experimentos de simulación. Varios estudios han propuesto curvas que describen relaciones
equivalentes entre otras variables; plazo de entrega y trabajo en proceso (Mayer y Nusswald2001), nivel medio de inventario y retraso
medio en la entrega, o nivel de servicio (Lutz et al. 2003). En este artículo, usamos la forma de utilización CT de la curva operativa.
Varios estudios que utilizan curvas operativas están relacionados con la fabricación de semiconductores. El ejemplo más antiguo
parece ser obra de Dayhoff y Atherton.(1986a, 1986b) que presentan un concepto similar bajo el nombre de análisis de firmas. Schoemig
(1999) utilizaron curvas operativas para ilustrar la influencia corruptora de la variabilidad en una instalación de fabricación de obleas
semiconductoras multiproducto de tamaño mediano. Domaschke y col.(1998) utilizó curvas operativas para evaluar los beneficios de las
estrategias de reducción de CT en la fabricación de semiconductores. Nyhuis(2007) presentó algunas aplicaciones prácticas de las curvas
operativas. Otras obras que utilizan curvas operativas son Ignizio(2009) y Weber y Fayed (2010). Estos estudios revelan que reducir la
variabilidad mejora el desempeño de la fábrica, lo que lleva a un cambio a la derecha en la curva de operación, pero ninguno examina los
efectos de medios específicos para reducir la variabilidad en esta curva, lo que motiva el trabajo en este artículo.
3022 M. Godinho Filho y R. Uzsoy
El mejor rendimiento (CT más corto para una utilización determinada) se obtiene mediante una mejora del 50% en la variabilidad del proceso,
Descargado por [University of Nebraska, Lincoln] a las 21:26 del 4 de abril de 2015
seguido del tiempo de configuración, el tiempo de reparación y el tiempo hasta la falla. Los tres últimos ofrecen casi el mismo rendimiento. Las
mejoras en la variabilidad de la llegada y la tasa media de defectos tienen el menor efecto. Sin embargo, con una alta utilización, la situación cambia:
en esta situación, el mejor programa es la mejora en el tiempo de preparación, seguida de mejoras en la variabilidad del proceso, el tiempo medio de
reparación, el tiempo medio hasta la falla y la calidad. Esto se debe a que las mejoras en la variabilidad no afectan la utilización promedio, y cuando el
sistema tiene una alta utilización, incluso pequeñas mejoras en la utilización conducen a grandes reducciones en CT, según la Ecuación (3).
Ninguno de los programas de mejora tiene un impacto significativo en niveles de utilización por debajo del 60%, mientras que las diferencias con
respecto a la curva base se vuelven marcadas con una alta utilización. A altos niveles de utilización, el CT promedio se vuelve muy sensible al nivel de
utilización debido a la no linealidad del término de utilización en (3); Los programas de mejora que reducen el tiempo medio de procesamiento
efectivo y, por lo tanto, la utilización, tienen beneficios significativos para la reducción de CT. El efecto de la variabilidad del procesamiento es
amplificar el efecto de la utilización, según (3); por lo tanto, en todos los niveles de utilización, una menor variabilidad de procesamiento da como
resultado un CT reducido, aunque el nivel de utilización alcanzado es algo más alto que el de otros programas de mejora.
Figura 4 sugiere que los programas de mejora logran la reducción de la TC mediante dos mecanismos diferentes. La mejora del tiempo medio de
preparación, el tiempo medio entre fallos, el tiempo medio de reparación y la tasa media de defectos reduce el tiempo medio de procesamiento
efectivo y, por tanto, la utilización, para un nivel de demanda determinado. Estas variables también afectan el proceso
Figura 3. Beneficio de CT de mejoras del 50% para una demanda de 11,520 piezas en una sola máquina.
Revista internacional de investigación de producción 3023
Descargado por [University of Nebraska, Lincoln] a las 21:26 del 4 de abril de 2015
Figura 4. Efecto de todas las mejoras del 50% en la curva de funcionamiento de una sola estación de trabajo.
variabilidad y, por lo tanto, su efecto sobre la TC se amplifica según (3). La mejora en la variabilidad del proceso por sí sola no puede reducir
el nivel de utilización, pero mejora la CT a través de su efecto multiplicativo en (3), desplazando la curva operativa hacia abajo para un nivel
de utilización dado. Este efecto se puede observar en la Figura6 observando que para cada grupo de puntos en la curva operativa
correspondiente a un nivel de demanda dado, el punto correspondiente a la reducción del tiempo de configuración está más a la izquierda,
lo que representa la mayor reducción en la utilización. El punto correspondiente a la variabilidad mejorada del proceso tiende a estar a la
derecha del grupo, lo que indica un nivel de utilización más alto, pero muy por debajo de los demás en la dirección vertical. Esto sugiere
que para el sistema en estudio, la mejora de la variabilidad del proceso tiene el mejor potencial de mejoras en CT. Dado que en el taller de
flujo, la variabilidad del proceso en una estación afecta la variabilidad de llegada en las estaciones aguas abajo según la Ecuación (10), esto
sugiere que las mejoras en la variabilidad del procesamiento deberían funcionar bien en el taller de flujo. Nuestros experimentos en la
siguiente sección muestran que este es realmente el caso.
Figura 5. Efectos de todas las mejoras del 50% en la curva operativa (entorno de flujo-taller).
3024 M. Godinho Filho y R. Uzsoy
considerado en este experimento, ya que la variabilidad de las llegadas entre las estaciones está determinada por la variabilidad del procesamiento
en las estaciones aguas arriba según la Ecuación (9). El tiempo empleado en cada ejecución fue, en promedio, 0,83 s. Los resultados se ilustran en la
Figura5.
Al igual que en los experimentos de una sola estación de trabajo, las mejoras en el tiempo medio hasta la falla, el tiempo de reparación, el tiempo de
configuración y la variabilidad del proceso desplazan la curva de operación hacia abajo y hacia la derecha, reduciendo el CT para el mismo nivel de utilización. La
mejora en la tasa media de defectos tuvo poco impacto en la curva operativa, mostrando beneficios solo con una alta utilización (por encima del 85%). Al igual
que en el entorno de una sola estación de trabajo, ninguno de los programas de mejora fue particularmente eficaz cuando los niveles de utilización eran
inferiores al 60% aproximadamente.
El mejor rendimiento (CT más corto para la misma utilización) se obtiene mediante la mejora en la variabilidad del proceso, seguida del tiempo
medio de preparación, el tiempo medio de reparación, el tiempo medio hasta la falla y, finalmente, la tasa media de defectos, que tuvo el menor
efecto. La única excepción, como en el entorno de una sola estación de trabajo, fue la alta utilización; en esta situación, el mejor programa fue la
mejora en el tiempo de preparación, seguido de la variabilidad del proceso, la variabilidad de la llegada, el tiempo de reparación, el tiempo hasta la
falla y la tasa media de defectos.
Excepto en niveles de demanda muy altos, donde la reducción en el tiempo de configuración es esencial para mantener la utilización por debajo
del 100%, el gran rendimiento de reducir la variabilidad del procesamiento es sorprendente. Esto se debe a dos efectos aditivos: reducción de CT en
cada estación y reducción de CV de llegada a estaciones aguas abajo. Otra forma de explicar esto es que en una sola estación, según la Ecuación (3),
Descargado por [University of Nebraska, Lincoln] a las 21:26 del 4 de abril de 2015
el CT se ve afectado tanto por la variabilidad del flujoCa y variabilidad de procesamiento Cmi. En los sistemas de múltiples etapas, sin embargo, la
variabilidad del procesamiento afecta la variabilidad del flujo entre las estaciones según la Ecuación (9) y se propaga a través de todas las estaciones
aguas abajo. Una consecuencia interesante de esta idea es que cuando las mejoras en una estación de cuello de botella son costosas o imposibles, la
reducción de la variabilidad del procesamiento en las estaciones aguas arriba del cuello de botella puede tener beneficios significativos. También
observamos este efecto en nuestros experimentos con líneas desequilibradas que se presentan en la siguiente sección.
La mejora en el tiempo medio de preparación fue el único programa de mejora capaz de satisfacer la demanda de 13.824 piezas sin
superar el 100% de utilización, con un 93,79% de utilización y 10.147 h de CT. Claramente, los programas de mejora que reducen la
utilización se vuelven importantes a altos niveles de utilización; En el sistema en estudio, la reducción del tiempo de instalación tiene el
mayor efecto sobre la utilización, pero esto depende claramente de la situación específica estudiada.
5.3 Una gran mejora en una estación de trabajo frente a pequeñas mejoras en todas las estaciones de trabajo en un taller de flujo equilibrado
En esta sección, comparamos, para los cuatro mejores programas encontrados en las últimas secciones (variabilidad de procesamiento, tiempo medio de
preparación, tiempo medio de reparación y tiempo medio entre fallas), dos políticas de mejora para una línea equilibrada con cinco estaciones de trabajo:
Para construir las curvas operativas de estas pólizas se establecieron cuatro niveles de demanda (8064, 10,368, 11,520 y 12,672 piezas por año),
con el objetivo de simular diferentes niveles de utilización. Cada uno de estos niveles representa los puntos de las curvas operativas que se muestran
en las Figuras.6–9. Estas cifras comparan una mejora del 50% en un parámetro en la estación de trabajo 1 con una mejora del 10% en todas las
estaciones de trabajo al mismo tiempo. Los resultados mostrados en figuras6 mediante 9 son similares para una mejora del 50% en cualquiera de las
otras cuatro estaciones de trabajo.
Cuando la utilización es baja (por debajo de aproximadamente el 85%), casi no hay diferencia entre la mejora del 50% en una estación de trabajo
y la mejora del 10% en todas las estaciones de trabajo para cualquiera de los cuatro programas de mejora estudiados. A medida que la utilización
aumenta por encima del 90%, la mejora del 10% en todas las estaciones de trabajo supera la mejora del 50% en una estación de trabajo en cuanto al
tiempo medio de configuración, el tiempo medio de reparación y el tiempo medio entre fallos. Esto es intuitivo; Una vez que se ha mejorado una sola
estación de trabajo más allá de cierto punto, las estaciones que aún no se han mejorado restringirán el rendimiento de la línea en general. Sin
embargo, las mejoras en todas las estaciones dan como resultado simultáneamente a lo largo del tiempo una línea aproximadamente equilibrada, lo
que permite mejorar el rendimiento de la línea en su conjunto.
Las mejoras en la variabilidad del proceso producen resultados cualitativamente diferentes de los de los otros tres programas de mejora. Para
mejorar la variabilidad del proceso, la diferencia entre una mejora del 10% en todas las estaciones de trabajo y una mejora del 50% en una estación
de trabajo determinada es muy pequeña. Esto se debe a que mejorar la variabilidad del proceso en una estación determinada mejora el CT en las
estaciones aguas abajo al reducir la variabilidad del proceso de salida de esa estación y, por lo tanto, la variabilidad de llegada a las estaciones aguas
abajo, especialmente en alta utilización. Por lo tanto, la mejora simultánea de la variabilidad del procesamiento en varias estaciones tiene un efecto
combinado, lo que hace que las pequeñas mejoras en varias estaciones sean desproporcionadamente beneficiosas. Sin embargo, las reducciones en
la variabilidad del procesamiento no reducen la utilización promedio, limitando la reducción de la TC media que se puede obtener con una alta
utilización. A medida que la utilización se acerca al 100%, el efecto lineal de la variabilidad del proceso está dominado por el efecto no lineal del
aumento de la utilización.
Revista internacional de investigación de producción 3025
Descargado por [University of Nebraska, Lincoln] a las 21:26 del 4 de abril de 2015
Figura 6. Comparación entre la mejora de la variabilidad del proceso del 50% en la estación de trabajo 1 frente a la mejora del 10% en todas las estaciones de trabajo.
Figura 7. Comparación entre la mejora del 50% del tiempo de configuración en la estación de trabajo 1 frente a cuatro opciones de mejora del 10% en todas las estaciones de
trabajo.
Los experimentos de esta sección se han centrado en mejorar una línea equilibrada. En la siguiente sección, examinamos los efectos de
diferentes programas de mejora en una línea desequilibrada con una estación de cuello de botella bien definida. Esto nos permite evaluar
los efectos de la ubicación del cuello de botella en el desempeño de los programas de mejora.
Cifras 11 y 12 presentar los resultados de ambas políticas para el cuello de botella situado en las estaciones de trabajo 1 y 5,
respectivamente. En alta utilización con el cuello de botella al final de la línea, lo más preferible es mejorar el cuello de botella
3026 M. Godinho Filho y R. Uzsoy
Descargado por [University of Nebraska, Lincoln] a las 21:26 del 4 de abril de 2015
Figura 8. Comparación entre la mejora del 50% del tiempo de reparación en la estación de trabajo 1 frente a cuatro opciones de mejora del 10% en todas las estaciones de
trabajo.
Figura 9. Comparación entre la mejora del 50% del tiempo entre fallas en la estación de trabajo 1 frente a cuatro opciones de mejora del 10% en todas las
estaciones de trabajo.
opción. La comparación de las dos figuras también muestra que, con respecto a CT, es preferible tener el cuello de botella
al inicio de la línea que al final. Cuando el cuello de botella está al principio de la línea, hay poca diferencia entre las dos
políticas de mejora. Esto es nuevamente, después de reflexionar, intuitivo; un cuello de botella al final de la línea se verá
afectado por toda la variabilidad creada por las estaciones precedentes, especialmente en alta utilización, según la
Ecuación (8). Una estación de cuello de botella al comienzo de la línea solo se verá afectada por la variabilidad en el proceso
de llegada externa y su propia variabilidad de procesamiento. Como se observó anteriormente, las mejoras modestas en
varias estaciones proporcionan una mejora de la TC comparable a la obtenida de una gran mejora en el cuello de botella.
Cuando invertimos en una mejora del 50% en el tiempo medio de configuración en el cuello de botella, el efecto de la ubicación del cuello de botella es
insignificante. Sin embargo, cuando mejoramos todas las estaciones en un 10%, como se muestra en la Figura13, el efecto de la ubicación del cuello de botella es
mucho más fuerte. Por (3) y (5), la reducción en el tiempo de preparación reducirá tanto la media como la variabilidad del valor efectivo.
Revista internacional de investigación de producción 3027
Descargado por [University of Nebraska, Lincoln] a las 21:26 del 4 de abril de 2015
Figura 10. Efecto de la mejora del 50% en el tiempo de configuración del cuello de botella y la mejora del 10% en el tiempo de configuración de todas las estaciones de trabajo
(entorno desequilibrado y cuello de botella en la estación de trabajo 4).
Figura 11. Comparación entre el efecto de una mejora del 50% en el tiempo de configuración del cuello de botella y la mejora del 10% en el tiempo de configuración de todas
las estaciones de trabajo (entorno desequilibrado y cuello de botella en la estación de trabajo 1).
tiempo de procesamiento en esa estación. La reducción de la variabilidad en una estación dada se propaga, a través de la Ecuación (8), a todas las
estaciones aguas abajo, especialmente en alta utilización. Por tanto, volvemos a encontrar el efecto compuesto de las reducciones de la variabilidad
en una estación determinada; mejorarán tanto el rendimiento de esa estación como el de las estaciones aguas abajo. Las mejoras en una estación de
cuello de botella beneficiarán al sistema más que una mejora similar en una estación sin cuello de botella; si, además, la mejora en la estación de
cuello de botella se propaga, a través de (10), a un gran número de estaciones aguas abajo, la mejora en el sistema general será mayor. Por lo tanto,
mejorar la variabilidad en un cuello de botella al comienzo de la línea afectará la variabilidad del flujo en todas las estaciones aguas abajo, lo que
producirá un CT más bajo que en otras ubicaciones de cuello de botella.
Varios autores que han estudiado esta cuestión (Kadipasaoglu et al. 2000; Caridi, Cigolini y Farina2006; Patti, Neuman y Cavanagh2008)
están de acuerdo en que la ubicación "ideal" de la estación de cuello de botella en una línea serie depende de la variabilidad de las
diferentes estaciones; en particular, que en un entorno de alta variabilidad es preferible ubicar el cuello de botella lo antes posible en la
línea. Esto constituye una validación de los hallazgos de nuestro modelo, aunque no es una cuestión de investigación principal de este
artículo; nuestro interés aquí es dónde dirigir los esfuerzos de mejora continua en relación con una ubicación de cuello de botella
determinada.
Estos experimentos con respecto a la mejora del tiempo de configuración se repitieron para mejorar la variabilidad del proceso, el tiempo medio de
reparación y el tiempo medio entre fallas con resultados cualitativamente similares. Esto es cierto incluso para los programas de reducción de la variabilidad,
que no tienen ningún efecto sobre la utilización.
3028 M. Godinho Filho y R. Uzsoy
Descargado por [University of Nebraska, Lincoln] a las 21:26 del 4 de abril de 2015
Figura 12. Comparación entre el efecto de una mejora del 50% en el tiempo de configuración del cuello de botella y la mejora del 10% en el tiempo de configuración de todas las estaciones
de trabajo (entorno desequilibrado y cuello de botella en la estación de trabajo 5).
Figura 13. Efecto de la mejora del 10% en todos los puestos de trabajo en el tiempo de preparación según la posición del cuello de botella en la línea.
6. Conclusiones
En este artículo, presentamos un modelo de dinámica de sistemas simple basado en la visión Factory Physics de los sistemas de
manufactura que nos permite estudiar los efectos de diferentes programas de mejora continua en talleres de flujo balanceado y
desequilibrado. Nuestros resultados indican que pequeñas mejoras simultáneas en múltiples ubicaciones de la línea pueden producir
beneficios comparables y, a menudo, mayores que una reducción importante en un parámetro en una ubicación. Esto es coherente con el
éxito reconocido del sistema de producción de Toyota, que hace que la mejora continua sea parte del trabajo de todos en todas las
ubicaciones del sistema de producción.
A primera vista, estos hallazgos parecen contradecir la posición de la Teoría de las Restricciones de que los programas de mejora continua deben
enfocarse en los recursos de cuello de botella y que el tiempo dedicado a mejorar los recursos que no son de cuello de botella se desperdicia
(Goldratt y Fox 1986; Goldratt y Cox1992). Sin embargo, nuestros hallazgos sugieren que, en algunos casos, el cuello de botella puede verse afectado
activamente por la variabilidad en el procesamiento en operaciones sin cuello de botella; el rendimiento del cuello de botella se ve afectado
negativamente por el flujo desigual de material en la operación de cuello de botella. El segundo autor ha experimentado esto de primera mano en
una instalación de fabricación de obleas semiconductoras donde una máquina cuya utilización promedio era inferior a 0,3 podía interrumpir el flujo
de material hacia el cuello de botella (utilización media superior a 0,85) durante varias semanas cuando
Revista internacional de investigación de producción 3029
fallaron y las piezas de repuesto no estaban disponibles. En este contexto, afectar las mejoras en las máquinas sin cuello de botella para
mejorar el flujo de material hacia el cuello de botella y reducir la probabilidad de su inanición es totalmente consistente con la Teoría de
Restricciones.
Otro hallazgo interesante es que los programas de mejora algo estilizados que estudiamos mejoran la TC al reducir la utilización, la variabilidad
del procesamiento o ambas cosas. Las reducciones en la variabilidad del procesamiento en las etapas aguas arriba son doblemente beneficiosas, ya
que reducen el CT en la estación que se mejora y al mismo tiempo se reduce la variabilidad del flujo en las estaciones aguas abajo. Este efecto se
vuelve particularmente importante en altos niveles de utilización. Por lo tanto, un esfuerzo de todo el sistema para reducir la variabilidad muestra un
gran potencial para mejoras significativas en el rendimiento del sistema a niveles de inversión modestos. Sin embargo, una vez que la utilización se
acerca al 100%, las reducciones en la variabilidad que no afectan la utilización media, como la reducción de la variabilidad del procesamiento natural
en las estaciones individuales, ya no pueden producir mejoras; se necesitan medidas para mantener la utilización por debajo del 100%. En la práctica,
los programas de mejora enfocados en reducir la variabilidad, al eliminar los valores extremos de los parámetros abordados, también ayudarán a
reducir la utilización, un efecto que no se captura aquí, como se discutió en Kayton et al. (1997).
Son evidentes varias direcciones interesantes para el trabajo futuro. La extensión de este estudio a sistemas de
producción con configuraciones de montaje y desmontaje más complejas es claramente de interés. La capacidad de
incorporar recursos de producción con búferes finitos, cuyo comportamiento se ve afectado significativamente por
Descargado por [University of Nebraska, Lincoln] a las 21:26 del 4 de abril de 2015
el bloqueo, también es una extensión importante. También es de interés el desarrollo de modelos de optimización
estocástica que pueden orientar a la gerencia sobre dónde dirigir los esfuerzos de mejora para un estado dado de
los parámetros del sistema, cuando la cantidad y el momento de la mejora que se puede obtener está sujeta a
incertidumbre. Finalmente, la incorporación de modelos de mejora más realistas que permitan reducir el tamaño de
los lotes para aprovechar las reducciones del tiempo de montaje,
Referencias
Adams, M., P. Componation, H. Czarnecki y BJ Schroer. 1999. “La simulación como herramienta para la mejora continua de procesos”. En
Conferencia de simulación de invierno, Phoenix, AZ.
Baines, TS y DK Harrison. 1999. "Una oportunidad para la dinámica de sistemas en el modelado de sistemas de fabricación".Producción
Planificación y control 10: 542–552.
Barad, M. y S. Dror. 2008. “Los mapas estratégicos como vías de mejora para las empresas”.Revista internacional de investigación de producción
46: 6627–6647.
Berger, A. 1997. "Continuous Improvement and Kaizen: Standartization and Organizational Designs". Fabricación integrada
Sistemas 8: 110-117.
Biller, S. y S. Meerkov. 2013. "Tasas de liberación de materia prima para garantizar el tiempo de producción deseado en las líneas seriales de Bernoulli".
Revista internacional de investigación de producción 51: 4349–4364. Buzacott, JA y JG Shanthikumar. 1993.Modelos estocásticos de
sistemas de fabricación. Englewood Cliffs, Nueva Jersey: Prentice-Hall. Caridi, M., R. Cigolini y V. Farina. 2006. “Designing Unbalanced Paced
Lines: A Conceptual Model and Experimental
Campaña." Planificación y control de la producción 17: 464–479.
Chand, S., H. Moskowitz, A. Novak, I. Pekhi y G. Sorger. 1996. “Asignación de capacidad para la mejora dinámica de procesos con
Consideraciones de calidad y demanda ”. La investigación de operaciones 44 (6): 964–975.
Dayhoff, JE y RW Atherton. 1986a. "Análisis de firmas de esquemas de despacho en la fabricación de obleas".Transacciones IEEE en
Componentes, híbridos y tecnología de fabricación 9: 518-525.
Dayhoff, JE y RW Atherton. 1986b. “Análisis de firmas: simulación de compensaciones de inventario, tiempo de ciclo y rendimiento en
Fabricación de obleas ". Transacciones IEEE sobre componentes, híbridos y tecnología de fabricación 9: 498–507.
Domaschke, J., S. Brown, J. Robinson y F. Leibl. 1998. “Implementación efectiva de estrategias de reducción del tiempo de ciclo para
Fabricación de back-end de semiconductores ". EnConferencia de simulación de invierno, Washington DC. Ebert, RJ 1976.
"Planificación agregada con productividad de la curva de aprendizaje".Ciencias de la gestión 23: 12. Fine, CH 1986. "Mejora de la
calidad y aprendizaje en sistemas productivos". Tecnología de gestión 32: 1301-1315. Fine, CH 1988. "Un modelo de control de calidad
con efectos de aprendizaje".La investigación de operaciones 36: 437–444. Forrester, JW 1962.Dinámica industrial. Cambridge, MA: MIT
Press. Gershwin, SB 1994.Ingeniería de Sistemas de Fabricación. Englewood Cliffs, Nueva Jersey: Prentice-Hall.
Godinho Filho, M. y R. Uzsoy. 2008. “Combinando el enfoque de la dinámica de sistemas y la física de fábrica para estudiar el efecto de
Mejora continua en las relaciones entre el tamaño del lote y el tiempo de ciclo ”. XIX Conferencia Anual de la Sociedad de Gestión de
Producción y Operaciones. La Jolla, CA.
Godinho Filho, M. y R. Uzsoy. 2011. “El efecto de los programas de mejora continua de la planta en el tamaño del lote: tiempo de ciclo
Relación en un entorno de una sola máquina multiproducto ”. Revista internacional de tecnología de fabricación avanzada
52: 669–681.
3030 M. Godinho Filho y R. Uzsoy
Godinho Filho, M. y R. Uzsoy. 2013. “El impacto de la mejora continua en el tiempo de instalación y reparación en el ciclo de fabricación
Tiempo bajo condiciones inciertas ". Revista internacional de investigación de producción 51: 447–464. Goldratt, EM y J. Cox.
1992.La meta: un proceso de mejora continua. Great Barrington, MA: North River Press. Goldratt, E. y RE Fox. 1986.La raza. Great
Barrington, MA: North River Press. Gunasekaran, A. 1999. "Fabricación ágil: un marco para la investigación y el desarrollo".Revista
internacional de producción
Ciencias económicas 62: 87-105.
Heijnen, P. y Z. Lukszo. 2006. "Mejora continua de la operación por lotes: un marco de apoyo a la toma de decisiones".Producción
Planificación y control 17: 355–366.
Hiller, RS y JF Shapiro. 1986. "Planificación óptima de la expansión de la capacidad cuando hay efectos de aprendizaje".Ciencias de la gestión
32: 11.
Hopp, WJ y ML Spearman. 2008.Física de fábrica: fundamentos de la gestión de fabricación. Boston, MA: Irwin / McGraw-
Cerro.
Hopp, WJ, SMR Iravani y B. Shou. 2007. "Un árbol de diagnóstico para mejorar el rendimiento de la línea de producción".Producción y
Jefe de operaciones 16: 77–92.
Hu, G., L. Wang, S. Fetch y B. Bidanda. 2008. “Un modelo multiobjetivo para la selección de la cartera de proyectos para implementar Lean y
Conceptos Six Sigma ". Revista internacional de investigación de producción 46: 6611–6625. Ignizio, JP 2009.Optimización del
rendimiento de la fábrica: formas rentables de lograr mejoras significativas y sostenibles. Nuevo
York: McGraw-Hill.
Descargado por [University of Nebraska, Lincoln] a las 21:26 del 4 de abril de 2015
Imai, M. 1986. Kaizen: la clave del éxito competitivo de Japón. Nueva York: Random House.
Kadipasaoglu, SN, W. Xiang, SF Hurley y BM Khumawala. 2000. “Un estudio sobre el efecto de la extensión y ubicación de
Capacidad de protección en sistemas de flujo ”. Revista Internacional de Economía de la Producción 63: 217-228.
Kayton, D., T. Teyner, C. Schwartz y R. Uzsoy. 1997. “Enfocando los esfuerzos de mejora del mantenimiento en una instalación de fabricación de obleas
Operando bajo la teoría de las restricciones ". Gestión de producción e inventario 51–57.
Kim, S. y R. Uzsoy. 2008. “Planificación Integrada de la Mejora de Procesos de Ingeniería y Producción”.Transacciones IEEE en
Fabricación de semiconductores 21: 390–398.
Kim, S. y R. Uzsoy. 2013. “Modelización y Análisis de Planificación Integrada de Producción y Mejora de Procesos de Ingeniería”.
Transacciones IEEE sobre fabricación de semiconductores 26: 414–422. Li, J. y S.
Meerkov. 2009.Ingeniería de Sistemas de Producción. Nueva York: Springer.
Li, N., L. Zhang, MT Zhang y L. Zheng. 2005. “Estudio de física aplicada en fábrica sobre ensamblaje y prueba de semiconductores
Fabricación." EnSimposio internacional IEEE sobre fabricación de semiconductores, San José, CA. Liao, WM 1979. "Efectos del
aprendizaje en las decisiones de asignación de recursos".Ciencias de la decisión 10: 116-125. Liker, J. 2004.The Toyota Way: 14
principios de gestión del mayor fabricante del mundo. Nueva York: McGraw-Hill.
Lin, C., TS Baines, J. O'kane y D. Link. 1998. “Metodología genérica que ayuda a la aplicación de la dinámica de sistemas a
Modelado de sistemas de fabricación ". Publicación de la conferencia IEE 457: 344–349.
Lutz, S., H. Loedding y HP Wiendahl. 2003. "Análisis de inventario orientado a la logística".Revista internacional de producción
Ciencias económicas 85: 217-231.
Mauri, F., M. Garretti y M. Gandelli. 2010.Un enfoque estructurado para la mejora de procesos en la producción de sistemas de fabricación
Planificación y control 21: 695–717.
Mayer, M. y M. Nusswald. 2001. "Mejora de los costos de fabricación y los plazos de entrega con curvas operativas orientadas a la calidad".
Revista de tecnología de procesamiento de materiales 119: 83–89. Nakajima, S. 1988.Introducción a TPM. Portland: Productivity Press. Nyhuis,
P. 2007. "Aplicaciones prácticas de las curvas operativas logísticas".Anales CIRP - Tecnología de fabricación 56 (1): 483–486. Pande, P., RP Neuman y
RR Cavanagh. 2000.El método Six Sigma: cómo se están perfeccionando GE, Motorola y otras empresas importantes
Sugimori, Y., K. Kusunoki, F. Cho y S. Uchikawa. 1977. “Sistema de producción de Toyota y sistema Kanban: materialización de
Justo a tiempo y respeto por el sistema humano ". Revista internacional de investigación de producción 15: 553–564. Suri, R. 1998.Fabricación
de respuesta rápida: un enfoque de toda la empresa para reducir los plazos de entrega. Portland: Productivity Press. Terwiesch, C. y RE Bohn. 2001.
"Aprendizaje y mejora de procesos durante el aumento de producción".Revista Internacional de
Economía de la producción 70: 1-19.
Thawesaengskulthai, N. y JDT Tannock. 2008. "Ayuda a la toma de decisiones para seleccionar metodologías de mejora".Internacional
Revista de investigación de producción 20: 6721–6737.
Voss, CA 2005. "Paradigmas de estrategia de fabricación revisados". Revista Internacional de Operaciones y Producción
Gestión 25: 1223-1227.
Weber, CM y A. Fayed. 2010. “Optimización de su posición en la curva operativa: ¿Cómo puede una fábrica maximizar realmente su
¿Rendimiento?" Transacciones IEEE sobre fabricación de semiconductores 23: 21-29. Womack, JP, DT Jones y
D. Ross. 1990.La máquina que cambió el mundo. Nueva York: Harper Perennial.
Descargado por [University of Nebraska, Lincoln] a las 21:26 del 4 de abril de 2015